2등 데이터 잘 모르는 사람 솔루션 PPT

1. https://dacon.io
진동데이터 활용 충돌체 탐지
AI 경진대회
데이터 잘 모르는 사람

2. 목차
1
2
3
STEP 1
STEP 2
STEP 3
https://dacon.io 2
EDA
모델 구축 & 검증
결과 및 결언
데이터 전처리
모델링
결과 및 결언
• Feature
• Modeling
• 후기
• Split
• Feature
Engineering

3. https://dacon.io 3
1. EDA
1. 반사파 추측
2. 표준화
3. Agg Feature
4. 속도 피쳐

4. https://dacon.io 4
1. EDA
1. 반사파 추측
2. 표준화
• 반사파를 추적하기 위해 다양한 방법을 사용하였지만, 유의미한 방법은 없었고,
일정 시간 뒤의 부분(200이후)을 제거하는 것이 가장 효율적이었습니다.
(실험 : Kalman Filter, clipping, 300이후 제거, 150이후 제거 etc…)
• 변수를 추가하면서 기존의 S1~S4와 스케일이 크게 차이가 나서 취해주었습니다.

5. https://dacon.io 5
1. EDA
3. Agg Feature
4. 속도 피쳐
• 특정 구간별로(30, 50) mean, std, var, max, min 등의 통계량으로 집계하여 변수로
사용했습니다.
• 각 센서를 누적합과 절대값을 이용하여 속도를 만들었습니다.

6. https://dacon.io 6
2. 모델링
1. CNN model(유용균 박사님 모델)
2. Wavenet
3. Pseudo Labeling
4. Post Process

7. https://dacon.io 7
2. 모델링
1. CNN Model
• 주신 모델을 그대로 사용하였습니다.
2. Wavenet
• 초기에 진행하던 모델로 Kaggle의 Ion Switching 에서 수상한 모델입니다.
• 시뮬레이션 데이터란 점과 sequential한 데이터라는 점에서 채택한 모델입니다.
• 자세한 사항은 https://www.kaggle.com/mobassir/understanding-ion-switching-with-modeling
위의 링크를 가시면 볼 수 있습니다.
3. 앙상블
• CNN + Model 을 진행했습니다.(5대 5)

8. https://dacon.io 8
2. 모델링
4. Pseudo Labeling(CNN Model)
• Test의 분포를 넣어주고자 시도하였습니다.
• Test를 5분할하여 Kfold(K=5)로 모델링을 진행할 때, 각 폴드당 Test data를 넣어 학습
했습니다.
• X와 Y, 좌표에 대해서만 진행했습니다.
Train Data Test Data
4. Post Process
• XY(-400, 400), M(25, 175), V(0.2, 1.0) 으로 맞춰주었습니다.

9. https://dacon.io 9
3. 결과 및 결언
• 너무 낮은 metrics로 인해서 검증이 힘들었던 대회라고 생각됩니다.
• Test 데이터의 Upper, Lower를 대회 종료 3일 전에 알았던 것이 아쉽습니다.
제가 제출한 값들을 보면, 대부분 M기준 21이상, V기준 0.15 이상 인 경우가 많았습니다.
• CNN 모델이 잘 되는 것을 알고, 좀더 깊은 모델들(Pretrained) 을 사용해 보려고 했으나,
Colab으로 진행했기 때문에 할 수 없었던 것이 아쉽습니다.
• 재밌는 대회를 열어주신 데이콘과, 박사님께 감사의 인사를 드립니다.

10. https://dacon.io 10
3. 결과 및 결언
41 - Time 피쳐 추가
40 - 190 스플릿
39 - 180 스플릿
38 - 225 스플릿
37 - 150 스플릿(220에폭)
36 - 150 스플릿(200에폭)
35 - 200 스플릿
34 - s5678 만듬(짝수index제거)
33 - s2 제거
32 - window 30추가
31 - window max-min
30 - var 제거
29 - median 추가
28 - 속력 123
27 - window 123
26 - post process(x,y : -400, 400)
25 - 플레처/배치사이즈=256
24 - rolling feature quantile 추가
23 - all 0 제거 후 364개 row로 맞춰줌. 최소값(최대 시간을 제외하는 방법)
22 - 속력 diff 추가
21 - mean feature 제거
20 - stat 10 제거
19 - 400에폭 도전
18 - speed ratio(변화량)추가
17 - 거리(변위X) 통게량 사용(거리변수 제거)
16 - 가속도(abs) = 가속력 으로 변환
15 - speed statistic(속력=abs(속도))
14 - s1,2,3,4 remove
13 - speed statistic(속도)
12 - distance
11 - speed feature
10 - lag X, lag stat only 10
9 - lag X, lag stat neg add
8 - lag stat add 30
7 - flip aug
6 - lag x
79이후로 앙상블 실험
78 - 8 : 8 : 2(origin, flie, wavenet)
77 - swa 추가
71 - 앙상블 (no pleatue, pleatu, wavent)
70 - 그냥 모든거 앙상블(가장좋은것들..)= 62 + (65 + (41+69))
69 - multistratified
68 - 200 스플릿 , 375 raw 앙상블
67 - 0 sum 변수
66 - cnn + wavenet(7:3 앙상블)
65 - cnn 10폴드
64 - xym pseudo labeling
63 - xymv pseudo labeling
62 - xy pseudo labeling
61 - 200이후 모델과 200이전 모델 앙상블
60 - 변위 다시추가...
59 - xy만 S round
58 - S round
57 - 모델 densenet512 로 좀 확장
56 - 텐폴드....
55 - v칼만 적용
54 - xym10폴드
53 - kalman fliter
52 - 300에폭...
51 - cnn best + wavenet
50 - kfold
49 - kfold
48 - cv안좋은 단일
47 - 적절한 조절
46 - -400, 400
45 - 적당한 점수(300에폭 overfit..?)
44 - cnn cv 로 변경
43 - cnn, wavenet 앙상블
42 - cnn 첫적용(fe..., 플레처... 적용)
41 - wavenet
1. 실험내용

11. THANK YOU
THANK YOU
https://dacon.io 11